基于GSLPP特征提取算法和多分类器融合的人脸识别方法研究.docx

基于GSLPP特征提取算法和多分类器融合的人脸识别方法研究
摘要
在面向识别的人脸识别系统中，特征提取和分类器设计是至关重要的两个部分。本文提出了一种基于GSLPP特征提取算法和多分类器融合的人脸识别方法。该方法采用GSLPP算法对人脸图像进行特征提取，同时引入多分类器融合的策略进行分类器设计，使得人脸识别精度得到了显著的提高。在FERET和Yale人脸数据库上进行实验，结果表明该方法具有较强的鲁棒性和精度，证明了该方法的有效性。
关键词：GSLPP特征提取算法；多分类器融合；人脸识别
Abstract
Infacerecognitionsystems,featureextractionandclassifierdesignarecriticalcomponents.ThispaperproposesafacerecognitionmethodbasedontheGSLPPfeatureextractionalgorithmandmulti-classifierfusion.ThemethodemploystheGSLPPalgorithmforfeatureextractionofafaceimageandintroducesthemulti-classifierfusionstrategyforclassifierdesign,whichsignificantlyimprovestheaccuracyoffacerecognition.ExperimentsontheFERETandYalefacedatabasesdemonstratethattheproposedmethodhasstrongrobustnessandaccuracy,provingitseffectiveness.
Keywords:GSLPPfeatureextractionalgorithm;multi-classifierfusion;facerecognition
1.引言
王、李、张是中国人常见的姓氏，那么在人脸识别系统中，如何区分不同的王、李、张成为了一个重要的问题。面向识别的人脸识别系统需要区分人脸属于哪个人，对应不同的身份信息。在实际应用中，人脸识别系统的误识别率、漏识别率和识别速度等指标都需要得到保证。
人脸识别技术是其中较为先进和成熟的技术之一，具有广泛的应用前景，如人脸门禁、身份识别等。在人脸识别系统中，特征提取和分类器设计是至关重要的两个部分。特征提取的目的是从人脸图像中提取出与身份信息相关的、不容易随机变化的特征向量；分类器的目的是对不同特征向量进行区分类别，从而确定人脸对应的身份信息。
本文提出了一种基于GSLPP特征提取算法和多分类器融合的人脸识别方法。该方法采用GSLPP算法对人脸图像进行特征提取，同时引入多分类器融合的策略进行分类器设计，使得人脸识别精度得到了显著的提高。实验结果表明，该方法具有较强的鲁棒性和精度，证明了该方法的有效性。
2.相关研究
2.1特征提取算法
在人脸识别系统中，特征提取的方法比较多。主成分分析法（PCA）、线性判别分析法（LDA）、局部二值模式法（LBP）、Gabor小波法等是常用的特征提取算法。
PCA方法是将像素点转换成一个新的坐标系，生成特征矢量，从而达到特征提取的目的。但是计算量大，特征向量也不易解释。
LDA方法是为了减小维数，从而加快分类速度，同时保证分类精度。但系数矩阵的计算量相对较大。
LBP方法是一种快速计算图像局部纹理信息的算法，但是该算法在较大数据库上的分类精度相对较低。
Gabor小波法是用Gabor滤波器生成不同频率和方向上累积的能量图像，从而生成特征向量。但是该算法在图像的分辨率、光照等方面受到较大的影响。
GSLPP特征提取算法是一种基于Log-Polar变换的高效、稳健的特征提取算法，已被广泛应用于人脸识别等方面。
2.2多分类器融合方法
在分类器设计中，多分类器融合的方法在目标识别和人脸识别等领域得到了广泛应用。常用的多分类器融合方法有平均法、投票法、堆叠法、Boosting等。
平均法是将多个分类器的判别函数求平均，从而得到最终的分类决策。该方法比较简单，但可能存在一些分类器的判别函数尚未充分利用。
投票法是利用多数投票来决定识别结果。该方法相对于平均法，可以更好地增强分类准确性。
堆叠法是将多个分类器的分类结果作为下一级分类器的输入。该方法比较复杂，但大多数情况下可以达到更高的分类精度。
Boosting方法是一种序列化的分类器融合方法，它将弱分类器序列化为一个强分类器，同时不断对样本进行权重调整。Boosting方法可大幅度提高分类器的精度，但计算过程复杂。
3.GSLPP特征提取算法
GSLPP是一种基于Log-Polar变换的高效、稳健的特征提取